Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys

तकनीकी सारांश: ओवरलैपिंग कस्टमर जर्नीज़ में पदानुक्रमित कारणत्मक अपलिफ्ट मॉडलिंग (Hierarchical Causal Uplift Modeling)

1. समस्या विवरण

बड़े पैमाने पर डिजिटल ई-कॉमर्स (विशेष रूप से यात्रा क्षेत्र) में, मार्केटिंग ऑटोमेशन कई "जर्नीज़" (journeys)—उपयोगकर्ता के व्यवहार से ट्रिगर होने वाले व्यक्तिगत संचार (ईमेल, पुश, आदि) के अनुक्रमों—पर निर्भर करता है। एक मौलिक चुनौती यह है कि ये जर्नीज़ अलग-थलग नहीं हैं; उपयोगकर्ता अक्सर ओवरलैपिंग एक्सपोजर (विभिन्न जर्नीज़ के समवर्ती या क्रमिक सक्रियण) का अनुभव करते हैं।

मानक A/B परीक्षण एक एकल जर्नी के सीमांत उत्थान (marginal lift) को एक उपचार समूह (treatment group) की तुलना नियंत्रण समूह (control group) से करके मापते हैं। हालांकि, ओवरलैप के कारण, देखे गए उत्थान पक्षपाती होते हैं। वे निम्नलिखित को समझने में विफल रहते हैं:

• इंटरेक्शन (Interactions): जर्नीज़ के बीच सहक्रियात्मक प्रभाव (synergies - सुदृढ़ीकरण प्रभाव) या कैनिबलाइजेशन (cannibalizations - क्षीणन प्रभाव)।
• अल्प-आकलन (Underestimation): देखी गई एकल जर्नी का उत्थान एक शोर भरे, बहु-जर्नी वातावरण के भीतर उसके प्रभाव को दर्शाता है, न कि उसके वास्तविक संभावित वृद्धिशील प्रभाव को।
• परिचालन संबंधी बाधाएं (Operational Constraints): प्रत्येक जर्नी के लिए एक साथ अलग-थलग होल्डआउट परीक्षण चलाना व्यावसायिक रूप से अनुचित है, क्योंकि संचार को रोकने से भारी राजस्व हानि और खराब ग्राहक अनुभव होता है।

2. कार्यप्रणाली (Methodology)

लेखक एक पदानुक्रमित कारणत्मक उत्थान मॉडल (Hierarchical Causal Lift Model) का प्रस्ताव करते हैं जिसे देखे गए सीमांत उत्थान को "शुद्ध" व्यक्तिगत प्रभावों और "इंटरेक्शन" प्रभावों में विघटित करने के लिए डिज़ाइन किया गया है।

A. गणितीय ढांचा:
मॉडल मानता है कि प्रत्येक जर्नी $j$ रूपांतरण (conversion) की संभावना में एक गुणात्मक कारक $f_j = (1 + \ell_j)$ योगदान देती है। ओवरलैप को ध्यान में रखने के लिए, मॉडल युग्मवार (pairwise) और उच्च-क्रम संयोजनों के लिए इंटरेक्शन पैरामीटर $\kappa$ पेश करता है।

• कुल प्रभाव $F(c)$: किसी भी संयोजन $c$ के लिए, प्रभाव व्यक्तिगत कारकों और इंटरेक्शन पदों का गुणनफल है:
  $$F(c) = \left( \prod_{j \in c} f_j \right) \times \prod \kappa_{\text{interactions}}$$
• अपेक्षित प्रभाव: मॉडल विशिष्ट संयोजनों के संपर्क में आने वाले उपयोगकर्ता खंडों के अनुभवजन्य अनुपातों ($p_c$) का उपयोग करके, जर्नीज़ के "ON" बनाम "OFF" होने पर जनसंख्या-स्तर की अपेक्षित रूपांतरण दर की गणना करता है।

B. अनुकूलन के माध्यम से अनुमान (Estimation via Optimization):
मॉडल पैरामीटर वेक्टर $\theta$ (व्यक्तिगत उत्थान और इंटरेक्शन पद) का अनुमान एक नियमितकृत गैर-रेखीय न्यूनतम वर्ग (regularized non-linear least squares) ऑब्जेक्टिव फंक्शन को कम करके लगाता है:

• अवशेष (Residuals): मॉडल-अनुमानित उत्थान और देखे गए प्रयोगात्मक उत्थान के बीच का अंतर।
• नियमितीकरण (Regularization): इंटरेक्शन पदों पर एक दंड पद ($\lambda_{inter}$) लागू किया जाता है ताकि ओवरफिटिंग को रोका जा सके, जो $\kappa$ को 1 (तटस्थता) की ओर धकेलता है, जब तक कि डेटा मजबूती से इसके विपरीत संकेत न दे।
• सॉफ्ट एंकर्स (Soft Anchors): मॉडल "शुद्ध उत्थान" (वे प्रभाव जो केवल एक जर्नी के संपर्क में आने वाले उपयोगकर्ताओं पर देखे जाते हैं) को हार्ड कंस्ट्रेंट्स के बजाय गॉसियन प्रायर्स (Gaussian priors) के रूप में शामिल करता है, जिससे मॉडल लचीला बना रहता है और चयनात्मक उप-जनसंख्या डेटा द्वारा स्थिर होता है।

C. अनिश्चितता परिमाणीकरण (Monte Carlo Framework):
डेटा में शोर को संभालने के लिए, लेखक एक मोंटे कार्लो सिमुलेशन का उपयोग करते हैं:

1. सैंपलिंग (Sampling): यह उपयोगकर्ता खंड अनुपातों में अनिश्चितता को मॉडल करने के लिए एक डिरिचलेट वितरण (Dirichlet distribution) से नमूने लेता है और देखे गए उत्थान को उनके अनुभवजन्य मानक त्रुटियों (जो डेल्टा मेथड के माध्यम से प्राप्त की जाती हैं) के आधार पर विचलित करता है।
2. पुनरावृत्ति (Iteration): इन नमूनों के माध्यम से अनुकूलन को 5,000 बार चलाया जाता है।
3. आउटपुट: यह सभी मापदंडों के लिए एक पोस्टीरियर वितरण (posterior distribution) उत्पन्न करता है, जो न केवल पॉइंट एस्टीमेट बल्कि कॉन्फिडेंस इंटरवल और मजबूती के माप भी प्रदान करता है।

3. प्रमुख योगदान

• उत्थान का विघटन (Decomposition of Lift): एक शोर भरे वातावरण में देखी गई "सीमांत" वृद्धिशील प्रभाव से एक एकल मार्केटिंग जर्नी के "शुद्ध" वृद्धिशील प्रभाव को अलग करने का एक अभिनव तरीका।
• गुणात्मक इंटरेक्शन मॉडलिंग (Multiplicative Interaction Modeling): यह दिखाने के लिए एडिटिव मॉडलों से आगे बढ़ना कि कैसे कई संचार एक-दूसरे को बढ़ाते या कम करते हैं।
• हाइब्रिड एस्टीमेशन अप्रोच: ओवरलैपिंग उपयोगकर्ता खंडों की अंतर्निहित अनिश्चितता को संभालने के लिए नियतात्मक गैर-रेखीय न्यूनतम वर्ग को मोंटे कार्लो सिमुलेशन के साथ जोड़ना।
• स्केलेबल गवर्नेंस: वैश्विक होल्डआउट समूहों की आवश्यकता के बिना वास्तविक वृद्धिशील मूल्य (incrementality) का अनुमान लगाने के लिए एक विधि प्रदान करना।

4. परिणाम

Despegar में तीस लाख उपयोगकर्ताओं के डेटासेट पर लागू करने पर, मॉडल ने कई महत्वपूर्ण निष्कर्ष दिए:

• सिनर्जी की पहचान (Synergies Identified): सभी इंटरेक्शन पद सकारात्मक थे, जो छोटे लेकिन निरंतर सिनर्जी का संकेत देते हैं। सबसे मजबूत सिनर्जी Flow और Offer जर्नी के बीच थी, जो बताती है कि जब उपयोगकर्ता खरीदारी के फनल में गहराई तक होते हैं, तो ऑफर्स अत्यधिक प्रभावी होते हैं।
• अल्प-आकलन का सुधार (Correction of Underestimation): मॉडल ने खुलासा किया कि देखे गए उत्थान वास्तविक प्रभाव का काफी कम आकलन करते हैं। उदाहरण के लिए, Offer जर्नी का शुद्ध उत्थान उसके देखे गए उत्थान का $\approx 4\times$ था, और Search जर्नी का शुद्ध उत्थन उसके देखे गए मान का $\approx 4.6\times$ था।
• वैश्विक संरेखण (Global Alignment): मॉडल का अनुमानित वैश्विक उत्थान (सभी जर्नीज़ का संयुक्त प्रभाव) प्रयोगात्मक रूप से मापे गए वैश्विक उत्थान के साथ निकटता से मेल खाता था (लगभग $85\%$ सटीकता प्राप्त की), जो सिस्टम-लेवल प्रदर्शन को पुनर्गठित करने की मॉडल की क्षमता को प्रमाणित करता है।

5. महत्व

यह शोध उच्च-आवृत्ति वाले डिजिटल मार्केटिंग की एक सामान्य समस्या के लिए गणितीय रूप से कठोर समाधान प्रदान करता है। एक एकल स्वचालित जर्नी के वास्तविक वृद्धिशील मूल्य को समझने की अनुमति देकर, यह बजट आवंटन को बेहतर बनाने, अधिक प्रभावी जर्नी ऑर्केस्ट्रेशन करने और यह समझने में सक्षम बनाता है कि विभिन्न मार्केटिंग चैनल रूपांतरण को चलाने के लिए एक-दूसरे के साथ कैसे इंटरैक्ट करते हैं।